用MR指纹进行定量膝关节映射的微调深度学习模型及其与字典匹配方法的比较:微调定量MRF深度学习模型
Xiaoxia Zhang1, Hector L de Moura1, Anmol Monga1
1Center for Biomedical Imaging, Department of Radiology, New York University Grossman School of Medicine, New York, New York, USA.
NMR in biomedicine
|April 22, 2025
概括
用于磁共振指纹 (MRF) 的微调神经网络 (NN) 提高了定量绘图的准确性. 优化的NN提供了一个强大的替代词典匹配用于分析膝关节软骨组成.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 人工智能在医学中的应用
- 量化MRI是指数量化的MRI.
背景情况:
- 磁共振指纹 (MRF) 能够同时,非侵入性量化多个MRI参数,以检测骨关节炎相关的软骨变化.
- 深度学习 (DL) 方法为MRF量化提供了比传统的字典匹配 (DM) 计算优势,但需要仔细微调.
- 有限的研究重点是优化神经网络 (NN) 训练参数,并比较DL与DM在MRF中的性能.
研究的目的:
- 调查训练参数选择对MRF中NN性能的影响.
- 为了比较微调的NN的性能与字典匹配 (DM) 方法用于MRF的多参数映射.
- 用合成,幻影和体内数据评估基于NN的MRF量化的准确性和稳定性.
主要方法:
- 对NN超参数的优化和对MRF数据的奇数值分解 (SVD) 组件的探索.
- 改进了用于比较分析的词典匹配 (DM) 方法.
- 实验验证使用合成数据集,NIST/ISMRMMMRI系统幻影和体内健康志愿者的膝盖MRF数据进行实验验证.
主要成果:
- 培训参数的选择极大地影响了NN在MRF量化中的表现.
- 与合成数据集上的DM相比,NN对T1,T2和T1ρ映射的准确性和稳定性得到了改进.
- 在体内结果显示,与DM相比,NN的T1比较,T2略低,T1ρ测量略高.
结论:
- 微调的NN对于提高MRF多参数定量映射的准确性和稳定性至关重要.
- 基于NN的方法为分析膝关节MRF数据提供了有希望的进步.
- 这项研究强调了严格的NN优化对于可靠的定量MRI的重要性.
